Lampiran 1.1. Small Area Estimation (SAE) untuk analisis data dan indikator FSVA tingkat Provinsi 1.

1 Latar Belakang
Dewan Ketahanan Pangan (DKP) dan World Food Programme (WFP) mengembangkan bersama-sama Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA) edisi kedua. FSVA tingkat nasional tersebut telah diluncurkan oleh Presiden Republik Indonesia dan Menteri Pertanian pada tanggal 24 Mei 2010 di dalam forum pertemuan tahunan Dewan Ketahanan Pangan di Jakarta. Berdasarkan INPRES No. 1 tahun 19 Februari 2010, DKP melalui Badan Ketahanan Pangan - Kementerian Pertanian (BKP) selaku sekretariat DKP merencanakan pengembangan FSVA tingkat provinsi di mana tingkat analisisnya sampai dengan kecamatan, yang berkaitan untuk meningkatkan kemampuan dalam targeting dan efektifitas penanganan kerawanan pangan dan gizi. Tim Asistensi FSVA Pusat telah dibentuk oleh BKP pada bulan Februari 2010, dengan WFP menjadi salah satu anggota tim. WFP berkomitmen untuk menyediakan bantuan teknis pada tingkat nasional, provinsi maupun kabupaten yang meliputi proses pengumpulan data, validasi data, konsolidasi, analisis, pembuatan laporan dan pelatihan untuk pelatih (Training of Trainers-ToT). Metode Small Area Estimation (SAE) yang menghasilkan beberapa indikator merupakan salah satu metode analisis yang diperlukan dalam pengembangan FSVA tingkat provinsi. Sehubungan dengan terbatasnya kemampuan teknis metode SAE, maka DKP dan WFP telah bekerjasama dengan ahli-ahli SAE dari Badan Pusat Statistik (BPS) dan Institut Pertanian Bogor (IPB) untuk menyediakan indikator-indikator FSVA tingkat provinsi dengan menggunakan metode SAE.

1.2

Tujuan

SAE merupakan suatu metode yang menggunakan modeling untuk mengestimasi karakteristik suatu data sosial ekonomi yang memiliki tingkat agregasi tinggi (provinsi atau kabupaten) ke tingkat agregasi yang lebih rendah (kabupaten atau desa atau rumahtangga) karena terbatasnya ketersediaan data primer pada tingkat agregasi rendah. Kebutuhan terhadap metode SAE telah meningkat secara signifikan selama kurun waktu 10 tahun terakhir dan metode ini telah digunakan dan di akui secara internasional. Di Indonesia, metode SAE telah digunakan oleh BPS, Bank Dunia dan SMERU untuk menghitung angka kemiskinan pada tahun 2000 serta pengembangan Peta Gizi (Nutrition Map) oleh BPS dan WFP pada tahun 2006. Pada tahun 2010, metode SAE menjadi hal yang sangat penting untuk analisis dan pengembangan FSVA tingkat provinsi dengan level analisis sampai dengan tingkat kecamatan. Hal ini berkaitan dengan hasil review ketersediaan data untuk FSVA di Provinsi NTB, NTT dan Jawa Timur dimana beberapa data dan indikator seperti angka kemiskinan, angka harapan hidup, perempuan buta huruf, akses ke listrik, akses ke air bersih hanya tersedia pada tingkat kabupaten saja bukan pada tingkat kecamatan. Tujuan dari analisis SAE ini adalah menyiapkan data dan indikator untuk pengembangan FSVA tingkat provinsi di 33 provinsi dengan tingkat analisis sampai dengan tingkat kecamatan. Data dan indikator yang akan di analisis adalah sebagai berikut: • • • • • Persentase penduduk hidup di bawah garis kemiskinan; Persentase rumah tangga tanpa akses listrik; Persentase rumah tangga tanpa akses ke air bersih; Perempuan Buta Huruf; Angka harapan hidup pada saat lahir;

• Rata-rata konsumsi kalori per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan; dan • Rata-rata konsumsi protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan.

1.3

Dataset

Model SAE yang digunakan untuk FSVA tingkat provinsi menggunakan 3 sumber data: Survei Sosial Ekonomi (SUSENAS) KOR Juli 2007, Juli 2008 dan Juli 2009: untuk menyediakan data tentang karakteristik individu dan rumah tangga. Beberapa variabel atau karakteristik individu dan rumahtangga tersebut selanjutnya digunakan sebagai variabel penjelas (explanatory variables) atau variabel dependent dalam model. Kombinasi kedua jenis variabel tersebut digunakan dalam merunning model. Jumlah sampel SUSENAS KOR adalah sekitar 270,000 yang ditujukan untuk estimasi kabupaten/kota dan provinsi. Jumlah sampel masing-masing kabupaten/kota berbedabeda. 1

Meskipun demikian. Karena kemampuannya dalam mengestimasi pada tingkat agregasi yang lebih rendah. Khusus PODES 2008 ditujukan untuk persiapan Sensus Penduduk 2010.al). Tahap pembentukan modeling dan dekomposisi komponen random. Berdasarkan Elbers (et. Metode ini menggabungkan dua kriteria sumber data yang berbeda. Dalam analisis FSVA ini indikator sebagai dependent variable dan berupa proporsi. Beberapa metode indirect yang pernah digunakan adalah metode Fay Herriot dan metode Elbers ( et. ukuran-ukuran indikator yang dihasilkan akan sangat bermanfaat untuk keperluan targeting dari program-program pemerintah ataupun kebijakan-kebijakan yang berorientasi pada tingkat wilayah kecil. maka variabel-variabel regresor dalam model harus ada di kedua dataset (survei dan populasi). penerapan model agregasi dari suatu tingkat ke tingkat yang lebih rendah cenderung tidak reliable serta tidak representatif. Untuk bisa mengaplikasikan modeling dengan menggunakan model regresi. Metode SAE yang digunakan untuk FSVA terdiri dari 2 tahap: 1. yaitu: dataset populasi (PODES 2008). Pada analisis FSVA ini akan digunakan metode Elbers (et. data yang diperoleh dari survei dan data yang diperoleh dari sensus (pencacahan lengkap). Jumlah sampel masing-masing kabupaten/kota dan provinsi berbeda-beda. data survei memiliki kelengkapan informasi yang lebih baik.al) dapat dikembangkan estimasi indikator berupa proporsi/persentase menggunakan model berikut: (1) ln y ch = E[ln y ch / x ch ] + µ dimana c h ch : subscript untuk cluster kecamatan : subscript untuk desa/kelurahan-h pada cluster c ych : besaran indikator y pada desa-h dan cluster c xch : karakteristik rumahtangga pada desa-h dalam cluster c Aproksimasi linear dari model (1) kemudian ditulis seperti berikut: (2) ˆ ln y ch = x ch a + µ ch juga disebut sebagai Beta model 2 . Di sisi lain. Metode ini memanfaatkan kelebihan dari masing-masing jenis data untuk mendapatkan estimasi dari ukuran-ukuran indikator dan ketimpangan pada tingkat yang lebih rendah. 1. Data survei pada umumnya memiliki keterbatasan dalam jumlah observasi (sampel). 2. • Potensi Desa (PODES) 2008: untuk menyediakan data pada tingkat masyarakat (desa/kelurahan) yang digunakan sebagai informasi mengenai lokasi (locational information). Tahap simulasi.• SUSENAS MODUL KONSUMSI Juli 2008: untuk menyediakan data tentang rata-rata pengeluaran makanan dan rata-rata konsumsi kalori/protein per kapita yang digunakan sebagai valiabel target (target variable). maka untuk analisis FSVA ini digunakan beberapa jenis data. Sesuai ketersediaan data. Dalam tahap ini sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Misalnya mengenai pengeluaran atau pendapatan.al) karena sudah menyediakan aplikasi yang interaktif dan lebih efisien dalam teknisnya. dataset survei (SUSENAS 2007-2009). data sensus memiliki cakupan observasi yang menyeluruh (semua populasi) tetapi memuat informasi yang terbatas. Pada tahap ini dihasilkan suatu dataset model yang akan digunakan selanjutnya. PODES mencakup seluruh desa di seluruh Indonesia. sehingga hanya bisa digunakan untuk estimasi di tingkat tertentu.000 rumah tangga untuk seluruh Indonesia.4 Metode Metode indirect adalah metode yang paling sering digunakan dalam SAE karena kelebihannya dalam menggunakan berbagai sumber informasi tidak terbatas pada waktu dan cakupan wilayah. Selain itu. Diasumsikan basic left hand side variable dan cluster adalah tingkat agregasi pada tingkat yang sedikit lebih tinggi dan digunakan dalam dataset survei dan dataset populasi (SUSENAS). Program penghitungan dimulai dengan estimasi fungsi indikator. Estimasi ditujukan sampai tingkat kabupaten/kota dan provinsi. Untuk itu perlu dijalankan proses bootstrap yang dapat secara signifikan memperbaiki tingkat akurasi estimasi. Jumlah sampel Susenas Modul adalah sekitar 270. Metode ini mempertimbangkan nilai bias yang signifikan karena adanya sampling error yang biasanya terjadi pada penghitungan indikatorindikator sosial yang didasarkan pada model survei. Indikator berupa proporsi dikarenakan data populasi hanya menyediakan pada tingkat agregasi (PODES 2008).

05*max{ε ch2}. Elbers et. maka untuk mengestimasi karakteristik tersebut pada agregasi yang sama dengan data PODES digunakan pooling sample dari SUSENAS Panel 2007 dan 2008 serta SUSENAS KOR Juli 2009. Dalam GLS variance-covariance matrix merupakan suatu diagonal block matrix. sisa residual εch dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi εch dengan karakteristik h: (6)  e 2 ch  T ˆ ln   = Z ch α + rch 2  A − e ch    juga disebut Alpha model. sehingga diperlukan regresi GLS.al. MS Office. Melakukan matching dan penggabungan data PODES dengan data poin c. d. Estimator variansi untuk εch dapat dihitung dengan: (7)  AB(1 − B)   AB  1 ˆ ˆ σ 2 ε . persamaan (3) kemudian menjadi = + ε ch Sesuai dengan Elbers et. Cluster kecamatan dalam dataset survei tidak semua terwakili dan tidak didesain ke arah tersebut.Dikarenakan tidak semua karakteristik di survei ada pada data PODES. ) = σ η 2 + τ c2 Diasumsikan ηc dan εch berdistribusi normal dan independen satu sama lain. Seluruh analisis FSVA ini menggunakan berbagai SOFTWARE diantaranya: STATA. Dengan menggunakan arithmetic expectation dari persamaan (3) atas cluster c. sehingga estimasi dari ηc untuk tiap cluster tidak bisa diterapkan dan diperlukan suatu model yang ditetapkan untuk mengestimasi deviasi dari ηc. Selanjutnya mengecek hasil matching. Mengenerate variable baru dari variable PODES pada data poin c. Residual dari persamaan (2) akan mengandung variansi locational variables. Membuat variabel agregasi pada level desa data poin b.al memberi suatu estimasi variansi dari distribusi locational effect: ˆ var(σ η 2 ) = (5) ∑ c [a c 2 var(µ c.1 Dataset dibedakan atas Urban dan Rural.4. Penyiapan Dataset 1 (data modeling): a. 2 E[µ c ]= σ η + var(ε c. sehingga tidak bisa secara nyata memasukkan locational variable ke dalam model survei.ch =  + Var (r )    1 + B 2   (1 + B) 3    Dalam persamaan model (2) metode OLS digunakan untuk mengestimasi parameter model dengan asumsi klasik bahwa sisaan bersifat homocedasticity. Persamaan model (7) dapat mengindikasikan pengingkaran asumsi penggunaan OLS dalam model (2). c. dan 3 . b. (4) maka µ 2 c. dengan menggunakan identitas transformasi yang sudah clean. 2 ˆ ) + b c 2 var(τ c 2 )] µ ch Ketika locational effect ηc tidak ada. e. Proses simulasi menggunakan paket program yang pernah digunakan untuk poverty mapping yaitu Povmap. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variable baru data poin d. (3) µ ch = η c + ε ch Di sini ηc adalah komponen cluster kecamatan dan εch adalah komponen desa/kelurahan. Mengenerate variabel baru (termasuk dummy) dari variabel SUSENAS KOR. Dimana A ekuivalen dengan 1. f. karenanya informasi mengenai lokasi (locational information) tidak tersedia untuk semua wilayah dalam data sensus. = η c + ε c.Exe. Visual Foxpro. Melakukan matching pada level rumah tangga data Susenas KOR 2007-2008 (variabel individu kepala rumah tangga dan variable rumah tangga) dan variabel indikator. 1.Exe/PovmapPacker. 1. Survei hanya merupakan sub sampel dari keseluruhan populasi.

PRESC.POU yang dapat diakses dengan MS Excel. Jumlah Kepala Keluarga pengguna listrik 10. Menyeleksi variabel akhir yang masuk dalam model beta. b. 3.08. Melakukan running program POVMAP dengan input PDA file yang dibaca secara otomatis dari hasil POVMAPPACKER.09 Juli Susenas Kor 07.08. selanjutnya melakukan regresi stepwise mean ln y terhadap seluruh variabel agregat kecamatan. c. Melakukan regresi stepwise kembali ln y terhadap variabel survei yang terseleksi (point b) dengan variable agregat (poin c).09 Juli Susenas Kor 07. Menyeleksi variable yang masuk dalam model beta.08. File ikutan yang muncul adalah PLO sedangkan –vAB –r -0100 adalah option. dilakukan penggabungan data dengan data agregasi PODES level kecamatan menggunakan ID transformasi. Melakukan regresi stepwise (ln dependent variable) terhadap seluruh variable t-tes dari data survei level desa (mean/proporsi). Modelling pada Dataset 1: a. Konfigurasi *. Dengan file konfigurasi ini selanjutnya dapat ditentukan ukuran indikator yang ingin didapatkan. Menyeleksi variabel yang masuk dalam model beta. Dari data poin e (data PODES) pada penyiapan dataset 1. File ikutan yang muncul adalah file PLI.pcf adalah file konfigurasi untuk menghasilkan output yang diinginkan. Isi file ini adalah nilai estimasi indikator pada level desa/kelurahan. 2. 4. Lapangan pekerjaan Kepala rumah tangga 4. OUT.08. Menghitung agregat residual level kecamatan.09 Juli Susenas Kor 07. dengan menggunakan identitas transformasi yang sudah clean. Selanjutnya mengecek hasil matching. Penyiapan Dataset 2 (data simulasi): a. kab/kota. Jenis dinding terluas 8. Menyeleksi variable yang memiliki korelasi yang kuat (indikatornya adalah sebaran sisaan yang terpola). Dengan Dos Prompt. Simulasi Dataset 2: a. b. kecamatan.08. Hasil output juga dilengkapi dengan standard error hasil simulasi. Sumber penerangan 5. d. Hubungan dengan Kepala rumah tangga 2. Fasilitas tempat buang air besar 9.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Jenis atap terluas 7. Persentase rumah tangga tanpa akses listrik 1. Model *. dijalankan Program POVMAPPACKER yang berfungsi menghasilkan file PDA (biasanya dihasilkan oleh SAS). Menghitung rata-rata ln y pada level kecamatan. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variabel baru data poin b.08. Selanjutnya mengecek hasil matching. Wilayah desa berada dalam/sekitar/luar hutan 4 .txt adalah text file yang berisi definisi model beta dan alpha. b. Mengenerate variable baru dari variable PODES pada data poin a (sama persis seperti poin e pada penyiapan dataset 1). Tingkat pendidikan Kepala rumah tangga 3. dan c. Status penguasaan bangunan tempat tinggal 6. kemudian memasukkan variabel tersebut dalam model alpha (ditambah variable _Yhat_).08. dan e.g. dan provinsi.08. Melakukan matching dan penggabungan pada level kecamatan data poin f dan data poin d. Menyiapkan dataset 1 dan dataset 2 dalam format STATA.09 Juli Podes 08 Podes 08 Podes 08 Sumber data 11. Ketinggian dari permukaan laut Susenas Kor 07. Melakukan regresi ln residual kecamatan terhadap semua variabel independent. Variabel yang Digunakan untuk Menggambarkan Indikator FSVA Nama Variabel dari kuesioner A.09 Juli Susenas Kor 07. Output dari hasil simulasi adalah file *.09 Juli Susenas Kor 07. Menghitung residual dari model d.

Persentase rumah tangga tanpa akses ke air bersih 1. Status/kedudukan dalam pekerjaan utama Susenas Kor 07. Sumber air minum (air bersih = air kemasan/ air isi ulang/leding meteran/leding eceran/ sumur bor.08. Jumlah anggota rumahtangga 5. Jumlah Kepala Keluarga pengguna listrik 6. Ketinggian dari permukaan laut 7.09 Juli Susenas Kor 07.08. Rata-rata pengeluaran makanan/kapita/bulan 10.08. Persentase penduduk hidup di bawah garis kemiskinan Susenas Kor 07.08.09 Juli Susenas Kor 07. Jumlah Rumah Tangga yang menggunakan telepon B.09 Juli Susenas Kor 07. Apakah melakukan kegiatan smg terakhir 6.09 Juli Susenas Kor 07.08.08. Jumlah pasar permanent/tidak permanen 13.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. sementara tidak bekerja 7.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08. Jenis kelamin 3.pompa/sumur terlindung) 2.09 Juli Podes 08 Podes 08 1. Jumlah minimarket/restoran/toko. Perempuan Buta Huruf Umur Dapat membaca dan menulis Hubungan dengan Kepala rumah tangga Tingkat pendidikan Kepala rumah tangga Lapangan pekerjaan Kepala rumah tangga Sumber penerangan Status penguasaan bangunan tempat tinggal Jenis atap terluas Jenis dinding terluas Fasilitas tempat buang air besar Jumlah Kepala Keluarga pengguna listrik Ketinggian dari permukaan laut D. Status penguasaan bangunan tempat tinggal 4. Hubungan dengan kepala rumahtangga 4.09 Juli Susenas Kor 07. Wilayah desa berada dlm/sekitar/luar hutan C. Rata-rata pengeluaran non makanan/kpt/bln 13. Jumlah keluarga penerima ASKESKIN 1 tahun yang lalu 5 .08.08.08.09 Juli Susenas Kor 07.08.09 Juli Susenas Kor 07.08.08.08. Proporsi penduduk/Kepala Keluarga bekerja di pertanian 14. Sumber penerangan 3. Lapangan usaha utama 8.09 Juli Podes 08 Podes 08 Podes 08 Susenas Kor 07.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08. Rata-rata konsumsi protein/kapita/bulan 12. Apakah punya pekerjaan/usaha. Rata-rata konsumsi kalori/kapita/bulan 11.08.09 Juli Susenas Kor 07.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Podes 08 Podes 08 9. Jenjang pendidikan yg pernah/sedang diduduki 2.08.Nama Variabel dari kuesioner 12.08.09 Juli Susenas Kor 07.dll Sumber data Podes 08 Podes 08 Podes 08 14.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08.08. Fasilitas tempat buang air besar 5.08.09 Juli Susenas Kor 07.08.

Total pengeluaran minyak & lemak sebulan 8.Nama Variabel dari kuesioner E.09 Juli Susenas Kor 07. Total pengeluaran umbi-umbian sebulan 4. lahir hidup 3. Makin besar sampel berarti makin banyak responden dan petugas sehingga kemungkinan makin besar kesalahan pada pengumpulan informasi. seperti: a. Total pengeluaran makanan & non makan sebulan Sumber data Susenas Kor 07.08. Dalam hal ini indikator tersebut seperti persentase rumah tangga yang tidak ada akses listrik dan persentase rumah tangga tanpa air bersih. Keseimbangan antara keduanya perlu dipertimbangkan dalam mendesain suatu survei terutama dalam penentuan besarnya sampel sehingga dapat menggambarkan populasi. Jumlah anak kandung dilahirkan. Total pengeluaran padi-padian sebulan 3. Nilai indikator sendiri diperoleh dari rata-rata seluruh indikator kemungkinan sampel tersebut.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. dan b. Pada survei sampel terjadi kesalahan antara lain karena metode sampling yang tidak tepat (sampling error) dan kesalahan yang disebabkan oleh faktor manusia seperti kesalahan yang disebut pada butir a (non sampling error). Pada sensus terjadi adanya kesalahan seperti salah isian dan pengolahan atau karena responden dan petugas yang cukup banyak. Daftar isian yang kurang baik pada survei atau sensus atau daftar isian dengan variabel yang terlalu rinci akan menyebabkan tingginya kesalahan akibat faktor manusia.08. Rata-rata konsumsi kalori/protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan 1. masih hidup 4.5 Hasil dan Realibilitas SAE Sampling Error (Standard Error) dan Non Sampling Error dalam Survei/Sensus Ada beberapa kesalahan (Error) dalam kegiatan survei atau sensus. Kenaikan besaran sampel akan menurunkan sampling error tetapi sebaliknya akan memperbesar non sampling error. Proses pengambilan berulang ini dalam teknik penarikan sampel dapat disamakan dengan proses membuat all possible sample (seluruh kemungkinan sampel yang terpilih). Total pengeluaran sayur/kacang/buah sebulan 7. Jumlah anak kandung dilahirkan. sedangkan pada survei sampel terjadi kesalahan yang bersumber dari sampling error (standard error) dan non sampling error. Total pengeluaran ikan/udang/cumi/kerang/ daging sebulan 5.08. Total pengeluaran telur & susu sebulan 6. Pada registrasi dan sensus lengkap tidak dijumpai kesalahan yang disebabkan karena penarikan sampel. sdh meninggal 5.08. Umur saat perkawinan pertama 2.09 Juli Susenas Kor 07. Jumlah anak kandung dilahirkan. 6 . Angka harapan hidup pada saat lahir 1. Berapa kali mendapat imunisasi F. Penduga untuk nilai Standard Error yang merupakan indikator untuk Sampling Error diperoleh dari nilai standard deviasi dari indikator seluruh kemungkinan sampel yang disimulasi. Variabel yang dibootstrap adalah variabel dependent atau variabel indikator yang diestimasi. Penolong kelahiran terakhir 7.09 Juli Susenas Kor 07. Total pengeluaran makanan sebulan 2. Penolong kelahiran pertama 6.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli 1.09 Juli Susenas Kor 07. bahwa dalam tahap simulasi sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables.08.08. Sampling Error (Standard Error) dalam SAE Seperti yang dijelaskan sebelumnya.08.

Untuk melengkapi laporan metodologi dan sebagai gambaran umum. Empat Lawang 71. Lahat 05.1.1): Tabel 6. Banjarmasin 72. Barito Kuala 05. Muara Enim 04. Jumlah Kecamatan berdasarkan Range Standard Error 2 Indikator di 2 Provinsi Range Standard Error Indikator Provinsi/Kabupaten/Kota < 20% Persentase rumah tangga tanpa akses listrik (Daerah Pedesaan/rural) Sumatera Selatan 01. Lahat 2 1 3 1 1 2 0 0 1 3 2 1 7 . Tapin 06. Muara Enim 04. Tanah Bumbu 11. Banyuasin 08. maka dijelaskan jumlah kecamatan menurut beberapa indikator dan range standard error pada kabupaten di 2 provinsi sebagai contoh (lihat tabel 6. Kota Baru 03. Musi Rawas 06. Hulu Sungai Utara 09. Banjar Baru 9 3 12 13 10 9 10 7 10 4 6 0 0 0 17 7 4 2 2 1 3 2 6 2 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Sumatera Selatan 01. Pagar Alam 74. Tabalong 10. Tanah Laut 02. Musi Banyuasin 07. Ogan Komering Ulu 02. Balangan 71. Ogan Komering Ulu Selatan 09. Ogan Komering Ilir 03. Hulu Sungai Selatan 07. Hulu Sungai Tengah 08. Prabumulih 73. Ogan Komering Ilir 03. Palembang 72. Ogan Komering Ulu 02. Ogan Ilir 11. Lubuk Linggau 8 18 18 12 18 11 11 10 13 16 2 0 2 4 3 3 0 3 5 3 0 4 9 7 0 5 2 1 1 2 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 20%-40% > 40% Persentase rumah tangga tanpa akses ke air bersih (Daerah Pedesaan/rural) Kalimantan Selatan 01. Ogan Komering Ulu Timur 10. Banjar 04.

Ogan Komering Ulu Timur 10. Tapin 06. Berdasarkan tabel diatas dapat diambil kesimpulan. dimana sebagian besar berada di bawah 20%. Hulu Sungai Utara 09. Prabumulih 73. Hulu Sungai Tengah 08. 8 . Tanah Laut 02. Lubuk Linggau 0 1 1 0 1 1 0 11 1 1 4 0 0 3 2 1 2 1 5 3 1 3 1 1 0 1 0 0 0 0 0 0 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Kalimantan Selatan 01. Musi Banyuasin 07. Palembang 72. Banjar Baru 0 1 1 1 1 3 1 1 1 2 0 5 0 3 0 2 2 1 1 1 4 2 1 1 0 5 0 0 1 1 0 2 0 0 1 1 0 0 0 Catatan: Daerah urban/rural berdasarkan desa/kelurahan dalam kecamatan. Meskipun tabel diatas kondisi pada 2 provinsi. Kota Baru 03. dan beberapa diatas 40%. Pagar Alam 74. Hulu Sungai Selatan 07. Relatif sebagian kecil berada diantara 20-40%. Barito Kuala 05. Empat Lawang 71. Tabalong 10. Banjar 04.05. jadi jumlah kecamatan urban/rural adalah tidak selalu sama. Banyuasin 08. Balangan 71. Musi Rawas 06. Tanah Bumbu 11. tapi setidaknya sudah dapat memberikan contoh bagaimana nilai akurasi atau standard error pada level kecamatan. Banjarmasin 72. diantaranya adalah nilai standard error untuk beberapa indikator (Persentase rumah tangga tanpa akses listrik dan persentase perempuan buta huruf) secara umum baik di daerah perkotaan (urban) dan pedesaan (rural) relatif cukup baik. Ogan Ilir 11. Ogan Komering Ulu Selatan 09.

9 .

Sign up to vote on this title
UsefulNot useful